用户画像 ​

用户画像可以让我们更加理解和聚焦某个分类用户的需求，更细的用户画像分类有助于我们更精细化地运营。

在我们做用户的定量研究时，我们可能会得到大量的用户数据。针对大量的数据再使用人工定性细分的方式就处理不过来了，这时候就要选择定量细分的方式了。

定量细分对技术的要求比较高，需要计算机工程师一起参与分析。因为定量研究是通过数学的方式进行统计的，所以其得出来的分类结论看起来会更加离散和复杂。

当然，如果你获得了较少量的数据，也可以尝试以下方法，建立初步的用户画像。后期随着数据量的增加，进而继续迭代。

用户画像的个数 ​

用户画像不代表越多越好，太多的用户画像会让团队在使用的过程中陷入困境。试想一下，如果一个产品存在20~30个用户画像，记不记得住都是一个问题，还怎么在平时工作中使用。

那么多少个用户画像合适？《赢在用户》这本书建议的是3~6个。6个以内的用户画像让团队容易记忆，并且更容易使用。

针对某些比较大型的产品，6个用户画像可能无法满足需求。这个时候可以考虑针对某个大功能进行用户画像。例如，某个综合性社区既有论坛功能又有电商功能，那么可以考虑针对论坛模块和电商模块分别进行独立的用户画像。

用户画像的关键属性 ​

在大量的用户数据里面，找到用户的相关属性。属性是对事物特性的一种描述，属性值则是具体的描述词。例如性别、所在地、职业、年龄、兴趣爱好、行为特征等等。

虽然我们能收集到用户海量的数据，但并不是所有用户属性都是必须的。我们选择属性必须是对用户画像产生重大影响的属性。例如，用户的性别不同会出现完全不同的阅读习惯，这时候性别这个属性就是关键属性。

确定关键属性的方法 ​

根据分析目的的不同和产品的不同阶段，可以采用不同的属性分类方式。

按用户目标划分 ​

按用户目标划分是一种常见直接的方法，因为一个用户使用我们的产品总是带着一种目的而来。例如针对一个旅游社区产品，用户可能是想了解目的地、也可能是想了解当地攻略、还有可能是想寻找一起去旅游的同行者等。

我们还可以更深入的了解用户目标的动机，对动机进行划分。例如，在用户进入社区后，用户最终的目标是不是一致。

在我们规划产品功能和产品结构框架的时候，按用户目标划分是一种非常有用的方法。通过这种方法设计出来的产品用户理解起来更直接。

按用户行为划分 ​

用户使用产品会出现不同的行为。例如对一款音乐产品来说，用户可能会出现不一样的行为，有些用户直接搜索喜欢的音乐、有些通过其他用户推荐来播放、有些用户在听完之后会分享给其他用户等。

当我们的产品的功能比较垂直单一时，用户的行为比用户的目标更能区分用户之间的差异，这时候按用户行为划分是一个很好的办法。例如对于音乐产品，用户的目标比较聚焦在听音乐这件事上，这时候如果按用户目标来划分的话，用户的差异可能没那么大。利用用户使用产品的行为来划分，会是一个很好的分类方式。

按用户所处阶段划分 ​

用户使用产品是一个渐进的过程，每个用户都会经历新手期、发展期、专家期等阶段。每个阶段用户都会遇到不同的问题，新手期用户面临熟悉产品的问题、发展期面临成长的问题、专家期面临新鲜度流失的问题等。

在产品启动后运营阶段，按用户所处阶段划分，能更好发现用户在各个阶段遇到的问题。

多维划分 ​

按一维特征对用户进行划分是比较直接的，但是我们面对的用户往往是多样的。用户更多是在两三个维度呈现出不一样的特征，所以可以利用交叉的方式来进行用户划分。

例如还是针对一个旅游社区来分析。我们将用户的目标分成两类，一类是想深入了解目的地的用户，一类只是去目的地走走的用户。除此之外，我们的用户还分成新用户和老用户。来看看怎么使用用户的目标和用户所处的阶段来进行划分。

除了二维的划分法，我们还可以将用户的行为加入进去。例如，根据用户的行为，我们将用户分成内容生产者和消费者。

还需注意，划分了用户分类后，不代表这个分类区间内一定有用户。例如，一个用户只想了解知识的新手用户是不会成为内容生产者的。那么这个分类区间是可以删除的。

用户画像的数学建模 ​

将所得到的用户属性抽象成数学模型，因为我们拿到的属性通常并不一定是一个数值，我们需要将属性信息数值化，进行数学模型的抽象。例如：性别分“男”、“女”，可以用数字“1”、“-1”来表示。

再利用计算机算法进行分类。当前已经有了很多比较成熟分类的算法，有兴趣的可以查阅一下相关资料。

举一个例子，某一个阅读产品对于用户进行细分。选取了性别和阅读财经新闻次数两个属性来进行分类。从数据抽取结果可以得到，用户有两个分类：

• 男，喜欢阅读财经新闻。
• 女，不太关注财经新闻。

同理，我们还可以选取更多的属性来进行分类计算。当前很多新闻阅读产品，在做用户分类的时候，已经考虑到了上百个属性，从性别、年龄、到所在城市等。随着属性的增加，越能形象的描述一个用户。

用户画像的正确性 ​

用户画像分类确定了之后，怎么判断我们分类是正确的？《赢在用户》这本书给了几个确认方法：

1. 是否能解释关键差异

什么是关键差异？就是一个用户能区别于另一个用户的差异。而用户画像的分类需要能解释这些关键差异。

例如，我们识别出用户的访问频率是关键的差异，有些是经常访问的、有些用户是偶尔访问的。用户画像的分类应该是能明显的区分出经常访问的和偶尔范围的用户。

2. 是否足够不同

不同的分类用户必须有足够的不同。例如，一个用户的关键行为和观点都是一致的，只有年龄是不一致的，这时候是不能将着其分成两类用户的。

3. 是否像真实的人

用户应该是一类用户的代表，所以我们分类出来的用户也应该是一个真实的人的代表。

通俗来讲，就是我们抽象出来的用户，要具备应该真实人物应该具备的特征。而不应该是个相互矛盾的人。例如，不修边幅的完美主义者，一个出手阔绰的实用主义者。让一个分类用户看起来像一个真实的人，有助于让使用者引起共鸣。

4. 是否能够描述群体

用户画像应该是一类用户的代表。所以，当我们提带这个用户画像时，需要能够描述这个群体，提到这个用户就能想到其所代表的群体。这也是我们后期能使用这个角色的基础之一。

5. 是否覆盖了主要用户

在完成了所有用户画像后，我们所有的用户应该是能被归类成某一个分类用户的。如果存在某一些无法归类的用户，可能就要尝试其他的用户分类方式或者增加一个新的画像了。

6. 是否能影响决策

能够在我们后期决策时使用到这些用户画像，才能体现出用户画像的价值。例如，我们针对不同的用户的目标进行模块的划分，针对不同用户的付费情况进行针对性的运营。